論文の概要: Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
- arxiv url: http://arxiv.org/abs/2507.09969v1
- Date: Mon, 14 Jul 2025 06:35:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:24.374947
- Title: Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
- Title（参考訳）: 推薦システムにおける非パラメトリックグラフ畳み込み
- Authors: Zhongyu Ouyang, Mingxuan Ju, Soroush Vosoughi, Yanfang Ye,
- Abstract要約: 大きな課題は、分散システムから近隣情報を取得することに伴う計算コストの相当な増加である。
テスト時間のみにグラフ畳み込みを利用した非パラメトリック戦略を提案する。
我々の戦略は、トレーニング中のグラフ畳み込みから悪名高い計算オーバーヘッドを回避し、テスト中のグラフに隠された構造的知識を活用する。
- 参考スコア（独自算出の注目度）: 38.99919566991087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph knowledge has been proven effective in enhancing item rankings in recommender systems (RecSys), particularly during the retrieval stage. However, its application in the ranking stage, especially when richer contextual information in user-item interactions is available, remains underexplored. A major challenge lies in the substantial computational cost associated with repeatedly retrieving neighborhood information from billions of items stored in distributed systems. This resource-intensive requirement makes it difficult to scale graph-based methods in practical RecSys. To bridge this gap, we first demonstrate that incorporating graphs in the ranking stage improves ranking qualities. Notably, while the improvement is evident, we show that the substantial computational overheads entailed by graphs are prohibitively expensive for real-world recommendations. In light of this, we propose a non-parametric strategy that utilizes graph convolution for re-ranking only during test time. Our strategy circumvents the notorious computational overheads from graph convolution during training, and utilizes structural knowledge hidden in graphs on-the-fly during testing. It can be used as a plug-and-play module and easily employed to enhance the ranking ability of various ranking layers of a real-world RecSys with significantly reduced computational overhead. Through comprehensive experiments across four benchmark datasets with varying levels of sparsity, we demonstrate that our strategy yields noticeable improvements (i.e., 8.1% on average) during testing time with little to no additional computational overheads (i.e., 0.5 on average). Code: https://github.com/zyouyang/RecSys2025_NonParamGC.git
- Abstract（参考訳）: グラフ知識はレコメンデーションシステム(RecSys)における項目ランキングの強化に有効であることが証明されている。
しかし、特にユーザとイテムのインタラクションにおいて、よりリッチなコンテキスト情報が利用可能である場合、ランキング段階におけるその応用は未定のままである。
大きな課題は、分散システムに格納された数十億のアイテムから近隣情報を繰り返し取得することに関連する、相当な計算コストである。
このリソース集約的な要求により、実用的なRecSysにおけるグラフベースのメソッドのスケーリングが困難になる。
このギャップを埋めるために、まずランキング段階にグラフを組み込むことでランキングの質が向上することを示す。
特に、改善は明らかだが、グラフが持つかなりの計算オーバーヘッドは、現実世界の推薦には不当に高価であることを示す。
これを踏まえて、テスト時間のみにグラフ畳み込みを利用した非パラメトリック戦略を提案する。
我々の戦略は、トレーニング中のグラフ畳み込みから悪名高い計算オーバーヘッドを回避し、テスト中のグラフに隠された構造的知識を活用する。
プラグアンドプレイモジュールとして使用することができ、計算オーバーヘッドを大幅に削減した実世界のRecSysの様々なランキングレイヤーのランク付け能力を高めるために容易に使用できる。
4つのベンチマークデータセットを対象とした総合的な実験を通じて、我々の戦略が、追加の計算オーバーヘッド(平均0.5)を伴わずに、テスト時間中に顕著な改善(平均8.1%)をもたらすことを示した。
コード:https://github.com/zyouyang/RecSys2025_NonParamGC.git
関連論文リスト
- FIT-GNN: Faster Inference Time for GNNs Using Coarsening [1.323700980948722]
粗大化に基づく手法は、グラフをより小さなグラフに減らし、より高速な計算をもたらす。
従来の研究は、推論フェーズにおける計算コストに十分な対処を行っていなかった。
本稿では,GNNの学習と推論の両段階における計算負担を軽減することにより,GNNのスケーラビリティを向上させる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-19T06:27:24Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳（メタデータ） (2022-06-21T01:46:38Z) - Certified Graph Unlearning [39.29148804411811]
グラフ構造化データは実際にユビキタスであり、しばしばグラフニューラルネットワーク(GNN)を使用して処理される
我々は,GNNのemph認定グラフアンラーニングのための最初のフレームワークを紹介する。
ノード機能、エッジ、ノードアンラーニングの3つの異なるタイプのアンラーニング要求を検討する必要がある。
論文 参考訳（メタデータ） (2022-06-18T07:41:10Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Graph Convolution for Re-ranking in Person Re-identification [40.9727538382413]
類似度指標としてユークリッド距離を保ちながら,学習特徴を改善するグラフベースの再ランク付け手法を提案する。
ビデオ中の各トラックレットのプロファイルベクトルを生成するための簡易で効果的な手法が提案されている。
論文 参考訳（メタデータ） (2021-07-05T18:40:43Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - SSFG: Stochastically Scaling Features and Gradients for Regularizing
Graph Convolution Networks [7.075802972628797]
繰り返しグラフ畳み込みを適用すると、余計な問題を引き起こす可能性がある。
この問題に対処するための正規化手法を提案する。
本手法は,ベースライングラフネットワーク全体の性能を効果的に改善する。
論文 参考訳（メタデータ） (2021-02-20T12:59:48Z) - Active Learning on Attributed Graphs via Graph Cognizant Logistic
Regression and Preemptive Query Generation [37.742218733235084]
本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。
提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。
5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-07-09T18:00:53Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。